伍　刚， 刘广韬， 周　青， 刘　策， 常鹏飞

(中国人民解放军第三○九医院神经外科，北京　100091;*通讯作者，E-mail:pengfei_chaung@163.com)

支持向量机模型在脑出血早期预后判断中的应用

伍刚， 刘广韬， 周青， 刘策， 常鹏飞*

(中国人民解放军第三○九医院神经外科，北京100091;*通讯作者，E-mail:pengfei_chaung@163.com)

摘要：目的通过应用支持向量机模型预测脑出血患者早期预后转归。方法收集自发性脑出血患者310例，随访观察1个月的临床转归情况。将入组患者按时间顺序以3 ∶1的比例分为数据训练组和验证组，训练组作为训练样本，用于筛选变量和建立预测模型，计232例；验证组作为验证样本，用于评价模型预测效果，计78例。结果通过支持向量机模型对78例脑出血患者的预测判别验证，支持向量机的预测准确度76.9%，敏感度77.3%，95%可信区间54.6%-92.2%，特异度76.8%，95%可信区间63.6%-87.0%。结论采用支持向量机模型能较好地判断自发脑出血患者早期预后。

关键词：脑出血；支持向量机；预后

脑出血是常见的颅内自发性出血性疾病，是成人主要的致残和致死原因[1,2]。有资料显示，我国脑出血的发病率可达(38.1-77.1)/10万人年[3]。外科治疗包括开颅手术、神经内镜血肿清除手术、立体定向钻孔血肿引流术等，需要术前对脑出血患者的预后进行风险评估，以利于降低手术风险和围术期并发症。临床上常用Logistic回归模型用于解释脑出血风险模型。但是，该模型对入选的风险因素质量有较高要求，限制其应用。

近年，人工智能技术蓬勃发展，越来越多出现在医学诊疗的各个方面。支持向量机(support vector machine，SVM)是建立在统计学习理论基础上的一种机器学习方法[4]。……